Series de Tiempo

More documents

Recommendations

Info

Modelos de memoria larga Series de Tiempo Germán Aneiros Pérez Introducción Procesos FARIMA: Construcción e identificación Estimación Diagnosis Selección del modelo Predicción Aplicación a datos reales Recapitulación Contrastes de media cero y normalidad H 0 : µ a = 0 p − valor = 0.8182 H 0 : Normalidad Jarque-Bera: p − valor = 0.0000 Shapiro-Wilk: p − valor = 0.0055 Conclusión: Un modelo FARIMA(0, 0.3938, 0) con innovaciones no Gaussianas resulta adecuado como generador de la serie de niveles mínimos anuales del río Nilo. Germán Aneiros Pérez Series de Tiempo
Modelos de memoria larga Series de Tiempo Germán Aneiros Pérez Introducción Procesos FARIMA: Construcción e identificación Estimación Diagnosis Selección del modelo Predicción Aplicación a datos reales Recapitulación 5: Predicción en base al modelo FARIMA(0, 0.3938, 0) Para finalizar el estudio, el FARIMA(0, 0.3938, 0) que hemos seleccionado y estimado fue utilizado para realizar predicciones con origen en T = 663 y horizontes de predicción k = 1, . . . , 50. Éstas pueden observarse en el gráfico de la derecha (naranja), junto con el valor de la media del FARIMA (azul). Predicciones, ... Germán Aneiros Pérez Series de Tiempo
Page 1 and 2: Series de Tiempo Germán Aneiros P
Page 3 and 4: Modelos de memoria larga Series de
Page 31: Modelos de memoria larga Series de
Page 37: Modelos de memoria larga Series de

Series de Tiempo

Create successful ePaper yourself

Delete template?

Save as template?